期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于SF-TransUNet的腹部多器官图像分割方法
1
作者 郭雨婷 于瓅 《湖北民族大学学报(自然科学版)》 2025年第1期94-100,共7页
针对腹部多器官图像分割过程中小器官图像分割精度较低和边界分割不准确的问题,提出了基于变换器U形网络(Transformer U-shaped network, TransUNet)的融合分割TransUNet(segmentation fusion TransUNet, SF-TransUNet)改进模型,以增强... 针对腹部多器官图像分割过程中小器官图像分割精度较低和边界分割不准确的问题,提出了基于变换器U形网络(Transformer U-shaped network, TransUNet)的融合分割TransUNet(segmentation fusion TransUNet, SF-TransUNet)改进模型,以增强小器官图像分割精度。在TransUNet跳跃连接中加入用于增强纹理信息的改进位置注意力模块(position attention module, PAM),并在解码器中引入混洗注意力(shuffle attention, SA)模块融合高低层特征,提高小器官图像细节捕捉能力,设计连通域分析(connected component analysis, CCA)模块作为后处理步骤,有效提升边缘分割能力。在Synapse数据集上验证SF-TransUNet模型性能,结果显示其平均戴斯相似系数(Dice similarity coefficient, DSC)比TransUNet模型提升了2.69个百分点,95%豪斯多夫距离(95%Hausdorff distance, HD95)下降了17.26 mm;在小器官图像分割上,胆囊、右肾和胰腺的分割精度分别提高了9.22、4.76、4.49个百分点。结果表明,SF-TransUNet模型不仅明显提升了腹部多器官图像分割的总体精度,而且在小器官图像分割中能表现出更佳的特征表达与细节保留能力。 展开更多
关键词 sf-transunet 多器官图像分割 小器官图像分割 纹理信息增强 混洗注意力 连通域分析
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部